何謂「Society 5.0」
日本科技政策的制定依據來自日本「科學技術基本法」，該法第九條規定，要求國家在推動科技振興發展上，政府應制訂有關科學技術振興的「科學技術基本計畫」。「科學技術基本計畫」之推動以五年為一期，最近一期為第五期（2016-2020年），該期計畫以人工智慧與資通訊技術為核心，解決各式重要社會課題，打造「超智慧社會」，並命名為「Society 5.0」。
「Society 5.0」明訂日本實現超智慧社會的政策方向，其政策重點聚焦於產業創造與社會變革，並重新架構產業與整個社會的關係，因此，除了強化產業競爭力，實現產業變革以外，「Society 5.0」也規劃解決日本近年社會課題，包括老齡化社會、勞動力不足、能源短缺與自然災害等。而在前瞻性預測上，「Society 5.0」描繪20年後未來人類將生活在為高度電腦化、智慧化環境，為實現該目標，發展物聯網、大數據分析、電腦科學與技術、人工智慧與網路安全等相關科技基礎技術研發與應用，是「Society 5.0」的核心之一。
簡單來說，「Society 5.0」追求以人為中心的新經濟社會，運用高度融合網路虛擬空間及物理現實空間的相關技術，滿足未來人類生活上的各種需求，同步解決經濟發展與社會課題，並以此建構更貼近符合個人需求之社會。
本文為「經濟部產業技術司科技專案成果」
有別於金融科技（Fintech）著重於運用科技手段使金融服務變得更有效率，因而形成促進金融產業發展的一種經濟產業。在美國源於對2008年金融風暴的恐懼，更傾向在金融科技提升金融服務便利與效率的同時，倡議如何使行政機關在監理過程中更能夠兼顧公平、安全及消費者保護。消費者保障與洗錢防制是行政機關進行金融監理的兩大核心目標，而金融科技服務下的客戶身分核實、信用紀錄與償債能力查核等風險控管措施，在全球發展金融科技方興未艾之際，美國則積極發展監理科技「Regtech」。意指行政機關嘗試透過科技手段有效監理業者的營運動態，如區塊鏈技術（Block-Chain）改變銀行現行運作模式，不僅降低業者營運成本外，更透過科技監理的方式協助業者即時達成法令遵循的目標，縮短法令遵循改善的過渡期間，減輕風險產生的可能。同時，也讓行政機關得以即時預防，並因應任何類似2008年金融風暴之情事的發生。
美國食品藥物管理局（FDA）提案更新食品營養標示為了讓美國消費者可以完全明瞭日常購買食品所蘊含的營養內容，美國食品藥物管理局（Food and Drug Administration, FDA）於二月提案更新現行食品營養標示（Nutrition Facts Label）所必須彰顯的營養物內容。本次食品營養標示的調整，主要是針對從最新飲食建議、共識報告與全國調查數據所彙整出的結果，就攸關消費者疾病、健康與日常需求的營養物，重新就標示內容進行調整，以強化食品安全的資訊透明，落實保障消費者在選擇食品的資訊平等地位。以下，將針對本次主要調整事項分別作簡要說明： 在新的食品營養標示中，首先，要求額外列出添加糖（added sugars）的數量，以避免消費者因食用過多的糖分而導致肥胖（obesity）或促發其他疾病的發生；第二，要求更新食品營養物份量（serving size），對於食品營養標示需顯示消費者「實際食用」的份量，而非顯示消費者「可能食用」的份量；第三，要求標示鉀（potassium）與維他命D（vitamin D）的含量，以反應相關報告顯示美國人普遍對於鉀與維他命D有攝取不足的現象；第四，調整不同營養素（例如：鈉、膳食纖維與維他命D）的每日攝取標示，使消費者瞭解食品所含營養素內容；第五，持續要求標示總體脂肪（Total Fat）、飽和脂肪（Saturated Fat）與反式脂肪（Trans Fat），並去除卡路里來自脂肪的標示，以提供消費者攸關其健康更有用的資訊；最後，針對食品營養標示的型式進行調整，強調例如像是卡路里、份量與每日攝取比率之標示，以緩和美國近來日益嚴重的肥胖與心臟疾病等問題。 考量美國公共健康問題日益浮出檯面，FDA近來針對食品營養標示型式與內容進行調整，希望藉由資訊透明化的方式，讓消費者明瞭市售食品營養素是否影響自身健康，以作為挑選食品時的首要考量，進而降低不健康食品對消費者所帶來的危害。鑑於近來台灣食安問題日益嚴重，衛生主管機關是否亟需就食品營養標示，參酌美國或國外規範重新另作檢視，來確保消費者買得放心、食得安心，並吃出健康，則是現行衛生主管機關需另考量的重點。
澳洲發布《人工智慧臨床應用指引》提供臨床照護之人工智慧使用合規框架澳洲醫療安全與品質委員會（Australian Commission on Safety and Quality in Health Care, ACSQHC）與衛生、身心障礙及高齡照護部（Department of Health, Disability and Ageing）聯合於2025年8月發布《人工智慧臨床應用指引》（AI Clinical Use Guide），旨在協助醫療人員於臨床情境中安全、負責任使用人工智慧（Artificial Intelligence, AI）。該文件回應近年生成式AI與機器學習快速導入醫療現場，卻伴隨證據不足、風險升高的治理挑戰，試圖在促進創新與確保病人安全之間建立清楚的合規框架。 該指引以臨床流程為核心，將AI使用區分為「使用前、使用中、使用後」三個階段，強調醫療人員須理解AI工具的預期用途、證據基礎與風險限制，並對所有AI產出負最終專業責任。文件特別指出，當AI工具用於診斷、治療、預測或臨床決策支持時，可能構成醫療器材，須符合澳洲醫療用品管理管理局（Therapeutic Goods Administration, TGA）的相關法規要求。 在風險治理方面，該指引明確區分規則式AI、機器學習與生成式AI，指出後兩者因輸出不確定性、資料偏誤與自動化偏誤風險較高，臨床人員不得過度依賴系統建議，仍須以專業判斷為核心。同時，文件要求醫療機構建立AI治理與監督機制，持續監測效能、偏誤與病安事件，並於必要時通報TGA或隱私主管機關。 在病人權益與隱私保護方面，指引強調知情同意與透明揭露，醫療人員須向病人說明AI使用目的、潛在風險及替代方案，並遵循《1998年隱私法》（Privacy Act 1988）對個人健康資料儲存與跨境處理的限制。澳洲此次發布之臨床AI指引，展現以臨床責任為核心、結合法規遵循與風險管理的治理取向，為各國醫療體系導入AI提供具體且可操作的合規參考。 表1 人工智慧臨床應用指引合規流程 使用前 使用中 使用後 1.界定用途與風險。 2.檢視證據與合規。 3.完備治理與告知。 1.AI輔助決策。 2.即時審查修正。 3.維持溝通透明。 1.持續監測效能。 2.標示可追溯性。 3.通報與再評估。 資料來源：AUSTRALIAN COMMISSION ON SAFETY AND QUALITY IN HEALTH CARE [ACSQHC], AI Clinical Use Guide (2025).
德國聯邦資訊技術，電信和新媒體協會針對AI及自動決策技術利用提出建議指南德國聯邦資訊技術，電信和新媒體協會於2018年2月6日在更安全的網路研討會中針對利用人工智慧及自動決策技術利用提出建議指南（Empfehlungen für den verantwortlichen Einsatz von KI und automatisierten Entscheidungen），旨在提升企業數位化與社會責任，並提升消費者權益保護。 本份指南提出六項建議： 促進企業內部及外部訂定相關準則 例如規定公司在利用演算法和AI時，必須將影響評估列入開發流程，並列為公司應遵守的道德倫理守則，以確保開發的產品或服務符合公平及道德。 提升透明度 使用者如有興趣了解演算法及其含義，企業應協助調查並了解使用者想獲知的訊息，並透過相關訊息管道提升產品及服務透明度。因此，企業應努力使演算法及其操作和含義能夠被使用者理解。此亦涉及即將實施的歐盟一般資料保護規則中的透明度義務。在機器學習或深度學習情況下，可能會增加理解性和可追溯性難度，但有助於分析流程並使其更接近人類理解的方法在科學和商業實踐中，應特別關注並進一步討論。另外，透過教育及使用說明協助及控制功能，教導消費者係建立雙方信任的重要手段。企業應在第一線中說明產品或服務中使用的手段（演算法，機器學習，AI）。除了解釋使用那些技術來改進產品和服務外，應一併解釋如何從技術控制過程中獲得相關知識以及提供那些後援支持。另外，例如透過幫助頁面，儀表板或部落格，解釋發生什麼以及如何做出某些影響深遠的自動化決策，使用戶更了解有關使用自動決策相關訊息。因此建議企業採取強制有效以建立信任的措施，使用戶理解是否及如何使用相關演算法，此可能包括使用自動化決策，使用特定資料組和使用技術的目的，亦即使用戶對演算法，機器學習或AI支持的決策有基本的了解。 為全體利益使用相關技術 人工智慧等新技術之重要性不應被低估，目前在生活和工業等眾多領域皆有廣泛應用。對於個人和集體而言，將可帶來巨大的利益，因此應該充分利用。例如，人工智慧可降低語言障礙，幫助行動不便的人可更加獨立自主生活，改善醫療診斷，提升能源供應效率，甚至是交通規劃和搜索停車位，都只是人工智慧偉大且已被使用的案例。為促進技術發展，應公平地利用其優勢並預留商業應用模式的空間，同時充分解決涉及的具體風險。產業特定的解決方案十分重要，但應兼顧受影響者的利益，並與廣大公眾利益找出妥協平衡點，且應排除不適當的歧視。建議在使用決策支持技術時，應事先檢查相關後果並與其利益比較。例如，可以在資料保護影響評估的框架進行。作為道德準則的一部分，必須確保演算法盡可能量準確地預測結果。 開發安全的資料基礎 資料係人工智慧支援決策的基礎。與人為決策者相同，資料不完整或錯誤，將導致做出錯誤的決定。因此決策系統的可靠性仍取決資料的準確性。但資料質量和資料來源始終不能追溯到源頭，如果可能的話，只有匯總或非個人資料可用於分析或分類用戶群組。因此，確切細節不可被使用或揭露。因此建議企業應考慮要使用的資料、資料的類別和在使用AI系統前仔細檢查資料使用情況，特別是在自我學習系統中資料引入的標準，並根據錯誤來源進行檢查，且儘可能全面記錄，針對個人資料部分更應謹慎處理。 解決機器偏差問題 應重視並解決所謂機器偏差和演算法選擇和模型建立領域的相關問題。解釋演算法，機器學習或AI在基層資料選擇和資料庫時所產生決策偏見相當重要，在開發預期用途的演算法時必須納入考量，對員工應針對道德影響進行培訓，並使用代表性紀錄來創建可以識別和最小化偏差的方法。企業並應該提高員工的敏感度並培訓如何解決並減少機器偏見問題，並特別注意資料饋送，以及開發用於檢測模式的內、外部測試流程。 適合個別領域的具體措施和文件 在特別需要負責的決策過程，例如在車輛的自動控制或醫療診斷中，應設計成由責任主體保留最終的決策權力，直到AI的控制品質已達到或高於所有參與者水平。對類人工智慧的信任，並非透過對方法的無條件追踪來實現，而是經過仔細測試，學習和記錄來實現